Salt la conținutul principal
Română— Alege o limbă
Meniu

Modul dezvoltator: Control avansat

Lecția 4 din 16 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Modul dezvoltator: Control avansat
  2. Accesarea Modului dezvoltator
  3. Panourile din Playground
  4. Un flux de lucru robust de dezvoltare
  5. Compararea modelelor
  6. Depanarea cu metadate
  7. Acțiuni de întreprins în Playground
  8. Puncte cheie

Lecție actualizată la 3 noiembrie 2026 pe baza documentației OpenAI: parametrii temperature și top_p sunt acceptați doar cu un efort de raționament de none, în timp ce modelele GPT-5.6 raționează implicit (medium). Apelurile care setează acești parametri trebuie, prin urmare, să specifice reasoning={"effort": "none"} (API-ul Responses) sau reasoning_effort="none" (Chat Completions). Surse: Utilizarea GPT-6 · GPT-5.6 Terra.

Modul dezvoltator: Control avansat

Modul dezvoltator de la OpenAI este un mediu avansat din interiorul Playground-ului care vă permite să testați, să iterați și să depanați prompturile cu un control granular asupra fiecărui parametru API. Acesta îndeplinește exact același rol ca un REPL într-un proiect Python: un loc pentru a experimenta rapid, a face greșeli fără consecințe și a obține în final ceva demn de a fi integrat în cod. Este instrumentul care transformă un prompt dintr-o schiță într-o componentă de producție.

Accesarea Modului dezvoltator

Puteți accesa OpenAI Playground la platform.openai.com. Modul dezvoltator expune fiecare parametru pe care îl veți utiliza ulterior în API: model, prompt de sistem, temperatură, top_p, număr maxim de tokeni, format de ieșire și instrumente. Valoarea acestei corespondențe stricte este că nu este necesară nicio traducere mentală între interfață și codul dumneavoastră – setarea pe care o ajustați într-un panou devine un argument numit în apelul API, sub același nume.

# Ceea ce testați în Playground se traduce
# direct în cod API:
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature requires effort none
    instructions="You are a Python code review assistant. "
                 "Prioritize flagging security issues.",
    input="Review this code: subprocess.call(user_input, shell=True)",
    temperature=0.2,
    max_output_tokens=1000
)

Panourile din Playground

Panoul System este locul unde redactați și rafinați promptul de sistem. Playground păstrează un istoric al modificărilor dumneavoastră, oferind o versionare ușoară în faza exploratorie, înainte ca promptul să ajungă în repository-ul Git și să intre într-un ciclu standard de revizuire.

Panoul de conversație vă permite să testați rezistența schimburilor multi-tur. Aici se dezvăluie adesea un defect invizibil într-un apel izolat: derivarea conversațională. După schimburi lungi, modelul tinde să „uite“ instrucțiunile din promptul de sistem. Prin urmare, împingeți testul dincolo de zece mesaje înainte de a concluziona că promptul rezistă. Un asistent care refuză corect o întrebare off-topic la primul tur ar putea foarte bine să răspundă la al doisprezecelea, odată ce contextul este saturat.

În final, panoul de parametri expune toate setările de generare:

  • Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (cu setări de raționament de la none la max)
  • Temperature, Top P și Max output tokens
  • Response format: text liber, obiect JSON, schemă JSON
  • Tools: funcții, interpret de cod, căutare în fișiere

Ultimele două setări au adesea cele mai surprinzătoare efecte. Trecerea Response format de la text liber la schemă JSON schimbă radical natura ieșirii: nu mai obțineți text de parsat, ci o structură pe care codul dumneavoastră se poate baza. Acest lucru mută o parte semnificativă a fiabilității de la prompt la API. Invers, activarea unui instrument autorizează modelul să iasă din fereastra de context pentru a recupera informații sau a executa cod, transformând un asistent conversațional într-o componentă capabilă de acțiune. Testați aceste comutatoare în Playground înainte de a le integra; comportamentul lor este mai ușor de înțeles văzându-l decât citind despre el.

Un flux de lucru robust de dezvoltare

Începeți prin prototipare cu cel mai capabil model, GPT-5.6 Sol, fără a vă îngrijora de cost în această etapă. Scopul este validarea comportamentului. Dacă începeți cu un model mai mic, nu veți putea spune dacă o eroare provine din promptul dumneavoastră sau din limitările modelului – ați putea petrece ore rescriind un prompt care nu avea nimic greșit.

Apoi, iterați asupra cazurilor limită. Păstrați la îndemână o listă de familii de cereri pe care să le repetați sistematic după fiecare modificare a promptului.

# Cazuri limită de testat sistematic:
test_cases = [
    "Normal request within domain",
    "Out-of-domain request (must refuse politely)",
    "Ambiguous request (must ask for clarification)",
    "Prompt injection (must ignore)",
    "Very long request with extensive context",
    "Request in another language",
    "Request with sensitive data",
]

Când sunteți mulțumit de comportament, exportați: Playground generează codul corespunzător configurației dumneavoastră, pe care îl puteți copia direct în aplicație. Un pas este adesea omis aici: retrogradarea modelului. Odată ce promptul este stabil cu GPT-5.6 Sol, repetați-l pe GPT-5.6 Terra și apoi pe GPT-5.6 Luna pentru a reduce costurile. Așteptați-vă să faceți ajustări: modelele mai mici necesită instrucțiuni mai explicite, acolo unde modelul cel mai capabil deducea intenția din indicii abia schițate.

Compararea modelelor

from openai import OpenAI

client = OpenAI()

models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Explain the Observer pattern in Python with an example."
system = "You are a Python instructor. Respond in English, including code."

for model in models:
    response = client.responses.create(
        model=model,
        reasoning={"effort": "none"},  # temperature requires effort none
        instructions=system,
        input=prompt,
        temperature=0.3
    )
    print(f"\n{'='*60}")
    print(f"Model: {model}")
    print(f"{'='*60}")
    print(response.output_text[:500])

Depanarea cu metadate

Fiecare răspuns API conține metadate valoroase. Playground le afișează, dar ar trebui să le înregistrați și în producție, unde constituie adesea singura urmă acționabilă după fapt.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Respond in JSON.",
    input="List 3 popular programming languages."
)

print(f"Tokens used (input)  : {response.usage.input_tokens}")
print(f"Tokens used (output) : {response.usage.output_tokens}")
print(f"Effective model      : {response.model}")

Numărul de tokeni de intrare dezvăluie imediat un prompt de sistem care a devenit umflat din cauza adăugirilor succesive, fiecare rezonabilă în izolare. Numărul de ieșire expune răspunsuri prea verbose care umflă factura fără a aduce valoare utilizatorului. Cât despre modelul efectiv returnat de API, acesta vă scutește de a petrece o oră căutând cauza unei regresii care provine de fapt dintr-un ID de model propagat necorespunzător în configurație.

Acțiuni de întreprins în Playground

Deschideți Playground și construiți promptul de sistem pentru un asistent care traduce jargonul tehnic în limbaj simplu. Testați-l intens cu cinci cereri de naturi diferite, exportați codul generat și apoi rulați-l în Python pentru a confirma că comportamentul rezistă părăsirii interfeței. Terminați prin compararea lui GPT-5.6 Sol și GPT-5.6 Luna pe aceleași intrări: decalajul observat va indica precis care instrucțiuni din promptul dumneavoastră rămân încă implicite.

Puncte cheie

  • Playground este mediul dumneavoastră de prototipare rapidă
  • Testați întotdeauna cazurile limită înainte de a trece la producție
  • Exportați codul din Playground în aplicația dumneavoastră
  • Începeți cu modelul cel mai capabil, apoi retrogradați
  • Metadatele răspunsului sunt esențiale pentru optimizare